CN113630886B - 异构物联网中一种基于粒子群算法的频谱分配方法 - Google Patents
异构物联网中一种基于粒子群算法的频谱分配方法 Download PDFInfo
- Publication number
- CN113630886B CN113630886B CN202110991445.0A CN202110991445A CN113630886B CN 113630886 B CN113630886 B CN 113630886B CN 202110991445 A CN202110991445 A CN 202110991445A CN 113630886 B CN113630886 B CN 113630886B
- Authority
- CN
- China
- Prior art keywords
- things
- internet
- channel
- particle
- channels
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于粒子群算法的异构物联网频谱分配方法,该方法可以克服现有频谱分配方法中没有考虑异构物联网特有的频带特性、多层网络的分布情况以及频谱感知得到的可用频谱信息的不足,通过引入信道粒度的概念,结合频谱感知的信息,综合考虑信道重叠、物联网重叠、信道可用性等因素,将频谱分配问题建模为非线性约束0‑1整数规划问题,通过粒子群算法,合理分配可用的频谱资源,解决了在异构物联网场景下,如何合理分配频谱资源的问题,以达到系统效益最大和避免物联网间同频干扰的目的。
Description
技术领域
本发明涉及的是一种认知无线电频谱分配领域的异构物联网中的频谱分配方法,特别是一种基于粒子群算法的频谱分配方法。
背景技术
随着物联网技术的迅猛发展,物联网终端数量呈“爆炸式”增长,人们对终端设备的传输速率和服务质量的需求越来越高,使得在以无线传输为主要通信方式的物联网中,有限的无线频谱资源已成为物联网技术的发展瓶颈。此外,物联网中往往由多种不同类型的网络构成,这些网络可能使用不同的通信技术及无线频谱资源,即异构物联网。异构物联网的出现使频谱资源分配中产生了新的问题,如不同网络覆盖区域相互重叠,导致不同网络之间会产生同频干扰,此外,各异构网络会竞争使用相同的信道资源等,这使原本就紧张的频谱瓶颈问题变得更加严峻。认知无线电技术为上述问题提供了一种有效的解决方法,它通过灵活地发现并动态使用频谱资源,从而有效地提高了频谱的利用率,缓解了频谱资源紧张的问题。
在物联网场景的频谱分配研究中,文献“刘鑫一,姜建.基于拍卖理论的认知物联网频谱分配策略[J].中国科技论文,2016,11(19):2187-2192.”采用频谱拍卖的方式将空闲频段分配给认知用户,有效地解决了频谱分配后传输性能低的问题;文献“EJAZ W,IBNKAHLA M.Multiband Spectrum Sensing and Resource Allocation for IoT inCognitive 5G Networks[J].IEEE Internet of Things Journal,2018,5(1):150-163.”提出了认知5G网络中物联网的多频带协作频谱感知和资源分配框架,以频谱感知的能量消耗最小化为目标,动态分配频谱资源。文献“DING X,TIAN X,LIU X,et al.PP-SPEC:Securing Spectrum Allocation for Internet of Things[J].IEEE Internet ofThings Journal,2020,7(11):10826-10836.”提出了基于隐私保护的PP-SPEC双重拍卖机制的频谱资源分配方法,并设计了一套通用的隐私保护密文比较协议PIC,提高了拍卖过程的安全性。文献“YANG N,ZHANG H,LONG K,et al.Spectrum Management Scheme in FogIoT Networks[J].IEEE Communications Magazine,2018,56(10):101-107.”提出了基于多臂老虎机算法的频谱分配方法,提高了频谱效率,提升了物联网性能。文献“LI F,LAM K,MENG L,et al.Trading-Based Dynamic Spectrum Access and Allocation inCognitive Internet of Things[J].IEEE Access,2019,7:125952-125959.”提出了一种基于频谱交易的分布式物联网设备动态频谱接入方法,并使用了模式搜索算法来进行频谱分配优化,提升了频谱优化的性能。文献“HAN R,GAO Y,WU C,et al.An Effective Multi-Objective Optimization Algorithm for Spectrum Allocations in the Cognitive-Radio-Based Internet of Things[J].IEEE Access,2018,6:12858-12867.”提出了在相互干扰和资源竞争约束下的网络并发传输模型,然后用遗传算法来解决该多目标频谱分配问题,满足了频谱分配要求。文献“葛雨明,孙毅,蒋海,等.基于认知无线电技术的动态频谱分配方案研究[J].计算机学报,2012,35(03):446-453.”提出了两级动态频谱分配方案,在保证用户高移动性的情况下,提高了频谱资源利用率。但以上文献在对异构物联网中的异构信道进行频谱分配时,没有考虑异构物联网特有的频带特性、多层网络的分布情况以及频谱感知得到的可用频谱信息,进行有针对性的频谱分配算法研究。
发明内容
为了解决背景技术中存在的技术问题,本发明提供一种基于粒子群算法的异构物联网频谱分配方法,该方法可以克服现有频谱分配方法中没有考虑异构物联网特有的频带特性、多层网络的分布情况以及频谱感知得到的可用频谱信息的不足,通过引入信道粒度的概念,结合频谱感知的信息,综合考虑信道重叠、物联网重叠、信道可用性等因素,通过粒子群算法,合理分配可用的频谱资源,解决了在异构物联网场景下,如何合理分配频谱资源的问题,以达到系统效益最大和避免物联网间同频干扰的目的。
本发明所采用的技术方案是:基于粒子群算法的异构物联网频谱分配方法,包括下列系统模型:
(1)、N个异构物联网随机分布在一定区域内,例如图1所示,它们可能是RFID网络、Bluetooth网络、Zigbee网络和WIFI网络等。各异构物联网可能采用不同的通信技术及不同的通信带宽,其覆盖范围可能相互重叠。它们竞争地使用M个不同带宽且存在重叠的信道。各异构物联网具备认知无线电功能,即可以通过频谱感知得到周围环境信息和频谱空闲情况。
(2)、用L={lnm|lnm∈{0,1}}N×M表示网络信道空闲矩阵,表征物联网的可用授权信道情况,其中n代表物联网序号,n=1,2,...,N,m代表信道序号,m=1,2,...,M。当lnm=1时,代表物联网n可以使用信道m,若信道m被授权用户占用,即物联网n无法使用信道m,则lnm=0。用L(n)={1≤m≤M|lnm=1}表示物联网n当前所有可使用的信道集合。
(3)、用表示网络干扰矩阵,表征各物联网间的相互干扰和重叠情况,其中n1与n2都表示物联网序号,n1=1,2,...,N,n2=1,2,...,N。当/>时,代表物联网n1与物联网n2覆盖范围有重叠,若使用相同的信道则会产生干扰。反之,/>表示物联网n1和物联网n2不存在相互重叠和干扰,可以使用相同的信道。物联网间是否存在干扰受网络间的距离及传输功率的影响。
(4)、若待分配的总频谱资源宽度为F,由于异构物联网采用不同的无线通信技术,不同的通信技术可采用不同的带宽,设共有K种不同的带宽可供异构物联网使用,即可将F划分为K种不等的带宽信道,设为第k种信道带宽,k=1,2,...,K,这种多种不同带宽信道的集合称为多粒度信道。信道粒度如图2所示,其中Φk为第k种信道带宽的信道集合。设为每种信道宽度的可用信道数量,则信道总数量/>每个信道用一个整数m(1≤m≤M)进行编号,其中m表示信道序号,m=1,2,...,M,设Bm为信道m的带宽。
用表示信道重叠矩阵,表征M个信道之间重叠状态,为M×M矩阵,其中,m1和m2代表信道序号。当/>时,表示信道m1和m2处于重叠状态,即两信道不能被同一物联网或有重叠物联网共同使用。反之若/>表示信道i和信道j不重叠,可以被同一小区或重叠小区共同使用。当m1=m2时,信道必为重叠状态,即/>当m1≠m2时,信道间是否存在干扰可由信道粒度划分情况得出,即如图2所示。
(5)、用A={anm|anm∈{0,1}}N×M表示信道分配矩阵,表征信道的分配状态,其中n代表物联网序号,n=1,2,...,N,m代表信道序号,m=1,2,...,M。当anm=1时,表明信道m被分配给物联网n使用,否则anm=0。由此可得物联网n分配得到的信道总带宽en为:
物联网利用频谱资源提供无线业务的前提是相互不存在干扰,即相互干扰的物联网不能被分配同一或相互重叠的信道,可用式(2)来表示。此外,若物联网n的信道需求为dn,则分配给该物联网的信道数应小于等于dn,可用式(3)来表示。则如果一个分配矩阵A满足如下无干扰约束条件即称为可行分配矩阵。
(6)、用矩阵R={rnm|rnm∈{0,1}}N×M表示各网络使用各信道时能获得效益情况,其中n代表物联网序号,m代表信道序号,rnm表示当信道m分配给物联网n使用时,能获得的效益。实际应用中效益可根据实际需要灵活选择为经济收入、频谱效率、信道吞吐量等参数。例如若追求频谱效率的提高,则可规定效益为其使用频谱资源的频谱效率,若追求频谱资源经济利润的增加,则可规定频谱资源效益为物联网使用频谱资源得到的经济收入。给定任一可行分配矩阵A,异构物联网会获得相应的网络效益,定义所有物联网使用频谱资源的总效益U(A)为:
基于以上定义,本发明中的频谱资源分配问题指的是求解一个最优的可行分配矩阵A*,使物联网获得的总网络效益最大,即在式(2)(2)和式(3)(3)的约束下,求解频谱资源最优分配矩阵。这样频谱资源分配被建模为非线性约束0-1整数规划问题。
上述模型中基于粒子群算法的异构物联网频谱分配方法是按照如下步骤得到的:
(1)、粒子编码
将粒子的位置与问题可行解建立起对应关系,即将粒子的位置与分配矩阵A进行对应。本发明使用二进制编码方案,且仅对可用信道矩阵L中值为1的元素进行编码的方法进行编码,即仅对能被物联网用户使用的信道进行编码,如图3所示,其中p即为编码后的粒子。个体的适应度函数定义为总系统效益U(A)。
(2)、粒子位置修正
由于粒子位置是随机产生的,可能并不会满足目标函数的约束条件,是一个不可行解,此时必须对粒子的位置进行修正。修正方法和步骤如下:
步骤1:逐一检查每个粒子位置中每一个物联网内的信道分配情况,检查是否存在同一物联网内使用了相互重叠的信道的情况。例如,在某一个粒子位置表示的物联网n中,若 则需根据信道重叠矩阵G,判断信道m1与信道m2的重叠情况。若/>表示信道m1与信道m2有重叠部分,不能被同一物联网或重叠的物联网同时使用。修正方法为随机保留信道m1与信道m2其中一个信道,其它的信道被释放,即对应的分配矩阵中相应位置置0。
步骤2:检查每个粒子位置中,相互重叠的物联网是否分配了重叠的信道。例如,根据网络干扰矩阵C,若表示物联网n1和物联网n2覆盖范围相互重叠,则检查物联网n1和物联网n2是否使用了相同和重叠的信道。修正方法为,如物联网n1和物联网n2覆盖范围相互重叠且使用相同或重叠的信道,则随机让其中一个信道生效,其他信道全部释放,将分配矩阵A中对应位置设为0。
步骤3:逐一检查各物联网分配的信道带宽,当其分配的信道带宽大于其需求dn时,则从已分配给该物联网的信道中,从带宽最小的信道开始,逐个释放多余分配的频谱资源,直到其分配的信道总宽度小于dn。
(3)、粒子群算法求解频谱分配问题
求解频谱分配的粒子群算法流程图如图4所示,具体步骤如下:
步骤一:确定粒子编码长度:粒子编码长度根据可用信道矩阵L确定;
步骤二:初始粒子群体的产生:用随机方法产生一个粒子数为Q的粒子群;
步骤三:粒子位置修正:检测种群中粒子位置所对应频谱分配矩阵是否可行,是否满足约束条件,不满足约束条件的,将其粒子位置根据修正方法进行修正;
步骤四:适应度函数的计算:根据式(4)计算适应度函数;
步骤五:更新粒子个体的历史最优位置:根据每个粒子的当前适应度值,更新每个粒子的历史最优位置;
步骤六:更新粒子群体的历史最优位置:根据每个粒子的当前适应度值,更新粒子群体的历史最优位置;
步骤七:更新每个粒子的速度和位置:通过公式(6)来更新每个粒子的速度,通过公式(7)来更新每个粒子的位置。
Vs+1=w×Vs+c1×rand()×(pbest-Xs)+c2×rand()×(gbest-Xs)(6)Xs+1=Xs+Vs+1(7)
其中,s代表迭代次数,Vs代表第s次迭代的粒子速度,Vs+1即第s+1次迭代的粒子速度,w为惯性因子,c1、c2为学习因子,rand()表示产生一个0至1的随机数,pbest代表粒子个体的历史最优位置,gbest代表粒子群体的历史最优位置,Xs代表第s次迭代的粒子位置,Xs+1即第s+1次迭代的粒子位置。
步骤八:判断截止条件,若程序当前迭代次数为最大迭代次数W,或前后两次迭代的最优个体适应度差异小于等于预先设定的差异阈值Z值时,停止迭代,算法结束,输出粒子群体历史最优位置,得到最优粒子位置。反之,返回到步骤三进行下一次迭代计算。
本发明所具有的有益效果是:该方法可以克服现有频谱分配方法中没有考虑异构物联网特有的频带特性、多层网络的分布情况以及频谱感知得到的可用频谱信息的不足,通过引入信道粒度的概念,结合频谱感知的信息,综合考虑信道重叠、物联网重叠、信道可用性等因素,将频谱分配问题建模为非线性约束0-1整数规划问题,通过粒子群算法,合理分配可用的频谱资源,解决了在异构物联网场景下,如何合理分配频谱资源的问题,以达到系统效益最大和避免物联网间同频干扰的目的。实验结果表明,本发明方法能够获得最优的频谱分配策略,相比随机的频谱分配方法,能够有效提高系统的总网络效益及平均频谱需求满足率。
附图说明
图1为异构物联网场景模型图;
图2为信道粒度图;
图3为粒子位置编码图;
图4为粒子群算法流程图;
图5为物联网重叠情况示意图,(a)为5个物联网情况下的物联网重叠情况,(b)为10个物联网情况下的物联网重叠情况;
图6为不同算法中不同物联网数下的总网络效益和平均网络效益比较,(a)为不同物联网数下的总网络效益,(b)为不同物联网数下的平均网络效益;
图7为不同算法中不同待分配总带宽下的平均网络效益比较;
图8为不同算法中不同物联网数下的平均频谱需求满足率。
具体实施方式
下面结合附图和具体实施例对本发明作进一步具体说明:本发明提出的异构物联网中基于粒子群算法的频谱分配方法,在一定区域内,随机分布着N个物联网,如图1所示,它们可能是RFID网络、Bluetooth网络、Zigbee网络和WIFI网络等。各异构物联网可能采用不同的通信技术及不同的通信带宽,其覆盖范围可能相互重叠。它们竞争地使用M个不同带宽且存在重叠的信道。各异构物联网具备认知无线电功能,即可以通过频谱感知得到周围环境信息和频谱空闲情况。根据实际情况,用二进制矩阵来表示信道相关信息和存在的干扰情况,即信道空闲矩阵L、网络干扰矩阵C、信道重叠矩阵G、信道分配矩阵A等,各矩阵定义及描述如下:
设L={lnm|lnm∈{0,1}}N×M为网络信道空闲矩阵,表征物联网的可用授权信道情况,其中n代表物联网序号,n=1,2,...,N,m代表信道序号,m=1,2,...,M,当lnm=1时,代表物联网n可以使用信道m,若信道m暂时被占用,即物联网n无法使用信道m,则lnm=0。用L(n)={1≤m≤M|lnm=1}表示物联网n当前所有可使用的信道集合。
设表示网络干扰矩阵,表征各物联网间的相互干扰和重叠情况,其中n1与n2都表示物联网序号,n1=1,2,...,N,n2=1,2,...,N。当/>时,代表物联网n1与物联网n2覆盖范围有重叠,若使用相同的信道则会产生干扰。反之,/>表示物联网n1和物联网n2不存在相互重叠和干扰,可以使用相同的信道。物联网间是否存在干扰受网络间的距离及传输功率的影响。
若待分配的总频谱资源宽度为F,由于异构物联网采用不同的无线通信技术,不同的通信技术可采用不同的带宽,设共有K种不同的带宽可供异构物联网使用,即可将F划分为K种不等的带宽信道,设为第k种信道带宽,k=1,2,...,K,这种多种不同带宽信道的集合称为多粒度信道。信道粒度如图2所示。设/>为每种信道宽度的可用信道数量,则信道总数量/>每个信道用一个整数m(1≤m≤M)进行编号,其中m表示信道序号,m=1,2,...,M,设Bm为信道m的带宽。
设为信道重叠矩阵,表征M个信道之间重叠状态,其中,m1和m2代表信道序号。当/>时,表示信道m1和m2处于重叠状态,即两信道不能被同一物联网或有重叠物联网共同使用。反之若/>表示信道i和信道j不重叠,可以被同一小区或重叠小区共同使用。当m1=m2时,信道必为重叠状态,即/>当m1≠m2时,信道间是否存在干扰可由信道粒度划分情况得出,即如图2所示。
设A={anm|anm∈{0,1}}N×M为信道分配矩阵,表征信道的分配状态,其中n代表物联网序号,n=1,2,...,N,m代表信道序号,m=1,2,...,M。当anm=1时,表明信道m被分配给物联网n使用,否则anm=0。由此可得物联网n分配得到的信道总带宽en为:
物联网利用频谱资源提供无线业务的前提是相互不存在干扰,即相互干扰的物联网不能被分配同一或相互重叠的信道,可用式(2)来表示。此外,若物联网n的信道需求为dn,则分配给该物联网的信道数应小于等于dn,可用式(3)来表示。则如果一个分配矩阵A满足如下无干扰约束条件即称为可行分配矩阵。
设矩阵R={rnm|rnm∈{0,1}}N×M表示各网络使用各信道时能获得效益情况,其中n代表物联网序号,m代表信道序号,rnm表示当信道m分配给物联网n使用时,能获得的效益。实际应用中效益可根据实际需要灵活选择为经济收入、频谱效率、信道吞吐量等参数。例如若追求频谱效率的提高,则可规定效益为其使用频谱资源的频谱效率,若追求频谱资源经济利润的增加,则可规定频谱资源效益为物联网使用频谱资源得到的经济收入。给定任一可行分配矩阵A,异构物联网会获得相应的网络效益,定义所有物联网使用频谱资源的总效益U(A)为:
基于以上定义,本发明中的频谱资源分配问题指的是求解一个最优的可行分配矩阵A*,使物联网获得的总网络效益最大,即在式(2)(2)和式(3)(3)的约束下,求解频谱资源最优分配矩阵。这样频谱资源分配被建模为非线性约束0-1整数规划问题。
上述模型中基于粒子群算法的异构物联网频谱分配方法是按照如下步骤得到的:
(1)、粒子编码
因为目标问题是离散优化问题,使用粒子群算法求解问题之前,首先要将粒子的位置与问题可行解建立起对应关系,即将粒子的位置与分配矩阵A进行对应。考虑到分配矩阵A中的元素都为二进制元素,粒子位置也使用二进制进行编码。若采用传统二进制编码方式,则一个粒子的位置长度为N×M,而由于物联网只能使用未被授权用户占用的可用信道,因此粒子位置编码中会有大量0存在,引起了存储和计算资源的浪费。为了解决资源浪费问题,同时减少编码长度,避免不必要的计算,本文借鉴文献“Zhao Z,Peng Z,Zheng S,etal.Cognitive radio spectrum allocation using evolutionary algorithms[J].IEEETransactions on Wireless Communications,2009,8(9):4421-4425.”的编码方式,可用信道矩阵L中值为1的元素代表此信道能被其他用户占用,因此仅对可用信道矩阵L中值为1的元素进行编码,如图3所示,其中p即为编码后的粒子。通过这样处理,粒子位置的编码长度大大减少,避免了不必要的计算,减少了资源的浪费。
(2)、粒子位置修正
在粒子群算法运行过程中,首先会用随机的方法初始化各粒子的位置,然后会通过迭代的方式不断更新粒子的位置来搜索次优解。但是由于粒子位置是随机产生的,可能并不满足目标函数的约束条件,因此粒子位置信息并不一定对应频谱资源分配问题的可行解,也可能是一个不可行解。因此,当粒子位置对应不可行解时,要对粒子的位置进行修正,使其满足约束条件,变为可行解。修正可分为以下三种情况,一是同一物联网内信道发生重叠现象,产生了物联网内的同频干扰时;二是覆盖范围重叠的物联网使用的信道相互重叠,产生了物联网间的同频干扰时;三是物联网n分配的信道资源大于其需求时。
根据以上三种情况,粒子位置修正的内容和具体步骤如下:
修正1:当同一物联网内使用了相互重叠的信道时,则随机保留其中一个信道,其它的信道被释放,即对应的分配矩阵中相应位置置0。
修正2:当覆盖范围有重叠的物联网使用了相互重叠的信道,则随机保留其中一个信道,其它的信道被释放,即对应的分配矩阵中相应位置置0。
修正3:若分配给物联网n的信道资源大于其需求dn时,则分配以dn为准,释放多余的频谱资源。
根据修正内容,具体修正步骤为:
步骤1:逐一检查每个粒子位置中每一个物联网内的信道分配情况,检查是否存在同一物联网内使用了相互重叠的信道的情况。例如,在某一个粒子位置表示的物联网n中,若 则需根据信道重叠矩阵G,判断信道m1与信道m2的重叠情况。若/>表示信道m1与信道m2有重叠部分,不能被同一物联网或重叠的物联网同时使用。修正方法为随机保留信道m1与信道m2其中一个信道,其它的信道被释放,即对应的分配矩阵中相应位置置0。
步骤2:检查每个粒子位置中,相互重叠的物联网是否分配了重叠的信道。例如,根据网络干扰矩阵C,若表示物联网n1和物联网n2覆盖范围相互重叠,则检查物联网n1和物联网n2是否使用了相同和重叠的信道。修正方法为,如物联网n1和物联网n2覆盖范围相互重叠且使用相同或重叠的信道,则随机让其中一个信道生效,其他信道全部释放,将分配矩阵A中对应位置设为0。
步骤3:逐一检查各物联网分配的信道带宽,当其分配的信道带宽大于其需求dn时,则从已分配给该物联网的信道中,从带宽最小的信道开始,逐个释放多余分配的频谱资源,直到其分配的信道总宽度小于dn。
(3)、粒子群算法求解频谱分配问题
粒子群算法主要含有六个核心步骤:一是初始化粒子群体,一般使用随机的方法初始化,每个粒子位置随机对应解空间的可行解,同时初始化粒子的初始运动速度;二是通过初始化位置来计算设定的粒子群适应度函数,适应度函数能够表示粒子当前位置的收益大小;三是更新粒子个体的历史最优位置,每个粒子的历史最优位置代表了该粒子的最好捕食经验,通过粒子当前位置的适应值,对比之前的适应值来决定该粒子是否更新自身的历史最优位置;四是更新粒子群体的历史最优位置,粒子群体的历史最优位置代表了粒子群体的最好捕食经验,通过粒子间的适应值对比来决定是否更新粒子群体的历史最优位置;五是更新每个粒子的速度和位置,本发明分别用式(6)和式(7)进行粒子速度和位置的更新。从式(6)可以看出,粒子速度的每次更新都依靠了粒子个体经验和粒子种群经验;六是判断停止迭代条件,若满足设定的条件,粒子群体便停止迭代,输出粒子的最优位置,得到所求解。若不满足设定的条件,则粒子群体继续迭代,直到满足停止迭代条件为止,一般将停止迭代条件设置为迭代次数最大值或是前后两次迭代的适应值之差的阈值,或是以上两种条件的结合。本发明截止条件设置为满足两条件之一即可。
Vs+1=w×Vs+c1×rand()×(pbest-Xs)+c2×rand()×(gbest-Xs) (6)
Xs+1=Xs+Vs+1 (7)
其中,s代表迭代次数,Vs代表第s次迭代的粒子速度,Vs+1即第s+1次迭代的粒子速度,w为惯性因子,c1、c2为学习因子,rand()表示产生一个0至1的随机数,pbest代表粒子个体的历史最优位置,gbest代表粒子群体的历史最优位置,Xs代表第s次迭代的粒子位置,Xs+1即第s+1次迭代的粒子位置。
求解频谱分配的粒子群算法流程图如图4所示,具体步骤如下:
步骤一:确定粒子编码长度:粒子编码长度根据可用信道矩阵L确定;
步骤二:初始粒子群体的产生:用随机方法产生一个粒子数为Q的粒子群;
步骤三:粒子位置修正:检测种群中粒子位置所对应频谱分配矩阵是否可行,是否满足约束条件,不满足约束条件的,将其粒子位置根据修正方法进行修正;
步骤四:适应度函数的计算:根据式(4)计算适应度函数;
步骤五:更新粒子个体的历史最优位置:根据每个粒子的当前适应度值,更新每个粒子的历史最优位置;
步骤六:更新粒子群体的历史最优位置:根据每个粒子的当前适应度值,更新粒子群体的历史最优位置;
步骤七:更新每个粒子的速度和位置:通过公式(6)来更新每个粒子的速度,通过公式(7)来更新每个粒子的位置。
步骤八:判断截止条件,若程序当前迭代次数为最大迭代次数W,或前后两次迭代的最优个体适应度差异小于等于预先设定的差异阈值Z值时,停止迭代,算法结束,输出粒子群体历史最优位置,得到最优粒子位置。反之,返回到步骤三进行下一次迭代计算。
实验分析:
对基于粒子群算法的异构物联网频谱分配方法进行实验分析,实验仿真工具为Matlab,实验结果使用蒙特卡洛方法求10000次平均值而得到。实验过程中的参数设置如下,在粒子群算法中,种群规模Q=20,惯性因子w=0.4,学习因子c1=1.5,学习因子c2=1.5,最大迭代次数为W=200,截止条件二中Z=0.1。设场景中可能有RFID网络、ZigBee网络、蓝牙网络和WIFI网络等,每次实验随机产生多个网络并随机设置频谱需求数,各网络随机分布在1000m×1000m的区域中,各网络覆盖半径在0~400m内随机设置。为了反映了不同接入网的业务分布和频谱需求,每个物联网的频谱需求。信道带宽设为0.25MHz、1MHz、2MHz、5MHz和20MHz,待分配的频谱资源宽度F设为40MHz,各信道的空闲概率设为0.5,效益矩阵中各分配所获得的效益设为分配的带宽。实验中将本发明提出的基于粒子群算法的频谱分配方法和随机频谱分配方法进行比较,随机频谱分配方法即随机生成满足无干约束条件的可行分配矩阵A。
通过物联网数N和待分配频谱资源宽度F的变化,得到的以下三个指标被用来作为算法性能比较指标:
(1)总网络效益:
(2)平均网络效益:
(3)频谱需求满足率:
图5为物联网重叠情况示意图。在图5(a)中,随机生成了5个圆形覆盖网络,可以看到邻近网络间存在重叠的概率较大,图中仅有网络3完全没有覆盖重叠部分,这与真实的网络覆盖情况相差无几。覆盖区域重叠的网络会出现互相干扰的情况,给频谱分配也带来了更高的难度。在实际场景中,5个网络可能干扰程度较小,接下来用同样的方法来生成10个网络的情况。在图5(b)中,随机生成了10个圆形覆盖网络,能明显看到网络重叠现象十分严重,这也带来网络间的严重干扰,频谱竞争更加激烈,频谱分配难度进一步增加。
图6为不同算法中不同物联网数下的总网络效益和平均网络效益比较。在图6(a)中,比较了在物联网数增加的情况下,粒子群算法和随机算法的总网络效益的变化情况。可以看出各算法的总网络效益随着物联网数的增加而增加,这是由于随着物联网数的增加,总网络效益也会跟着增加,但本发明算法始终优于随机算法。在图6(b)中,比较了在物联网数增加的情况下,粒子群算法和随机算法的平均网络效益的变化情况。可以看出各算法的平均网络效益随着物联网数的增加而降低,这是由于随着物联网数的增加,各网络间的干扰程度加重,信道竞争更加激烈,导致平均网络效益呈下降趋势,但本发明算法始终优于随机算法。
图7为不同算法中不同待分配总带宽下的平均网络效益比较。在图7中,比较了在待分配总带宽增加的情况下,粒子群算法和随机算法的平均网络效益的变化情况。可以看出随着待分配总带宽的增加,各算法的平均网络效益都呈现上升趋势,这是由于随着待分配总带宽的增加,分配自由度也随着增加,增加了平均网络效益,本发明算法明显优于随机算法。
图8为不同算法中不同物联网数下的平均频谱需求满足率。在图8中,比较了在物联网数增加的情况下,粒子群算法和随机算法的平均频谱需求满足率的变化情况。可以看出各算法的平均频谱需求满足率随着物联网数的增加而减小,这是由于物联网数增加,会导致网络间重叠现象更加严重,从而干扰程度加重,频谱资源由于干扰的原因而减少,各网络所得到的频谱资源也会减少,这样平均频谱需求满足率就会呈现下降趋势,但本发明的粒子群算法相对随机算法让各网络的平均频谱需求满足率更高。
基于以上对本发明的分析讨论可知,本发明所提出的基于粒子群算法的频谱分配方法,能够在异构物联网不同网络相互重叠、相互干扰和信道重叠等情况下,考虑信道空闲状态、网络干扰状态和信道重叠状态,通过粒子群算法求解频谱分配的非线性约束0-1整数规划问题,解决了异构物联网频谱分配问题。相比基于随机算法方法,本发明所提方法能够提高系统的总网络效益及平均频谱需求满足率。
Claims (2)
1.一种基于粒子群算法的异构物联网频谱分配方法,包括下列系统模型:
(1)、N个异构物联网随机分布在一定区域内,它们是RFID网络、Bluetooth网络、Zigbee网络和WIFI网络,各异构物联网采用不同的通信技术及不同的通信带宽,其覆盖范围相互重叠,它们竞争地使用M个不同带宽且存在重叠的信道,各异构物联网具备认知无线电功能,即能够通过频谱感知得到周围环境信息和频谱空闲情况;
(2)、用L={lnm|lnm∈{0,1}}N×M表示网络信道空闲矩阵,表征物联网的能够使用授权信道情况,其中n代表物联网序号,n=1,2,...,N,m代表信道序号,m=1,2,...,M,当lnm=1时,代表物联网n能够使用信道m,若信道m被授权用户占用,即物联网n无法使用信道m,则lnm=0,用L(n)={1≤m≤M|lnm=1}表示物联网n当前所有能够使用的信道集合;
(3)、用表示网络干扰矩阵,表征各物联网间的相互干扰和重叠情况,其中n1与n2都表示物联网序号,n1=1,2,...,N,n2=1,2,...,N,当/>时,代表物联网n1与物联网n2覆盖范围有重叠,若使用相同的信道则会产生干扰,反之,/>表示物联网n1和物联网n2不存在相互重叠和干扰,能够使用相同的信道,物联网间是否存在干扰受网络间的距离及传输功率的影响;
(4)、若待分配的总频谱资源宽度为F,由于异构物联网采用不同的无线通信技术,不同的通信技术采用不同的带宽,设共有K种不同的带宽供异构物联网使用,即将F划分为K种不等的带宽信道,设为第k种信道带宽,k=1,2,...,K,这种多种不同带宽信道的集合称为多粒度信道,其中Φk为第k种信道带宽的信道集合,设/>为每种信道宽度的能够使用信道数量,则信道总数量/>每个信道用一个整数m(1≤m≤M)进行编号,其中m表示信道序号,m=1,2,...,M,设Bm为信道m的带宽;
用表示信道重叠矩阵,表征M个信道之间重叠状态,为M×M矩阵,其中,m1和m2代表信道序号,当/>时,表示信道m1和m2处于重叠状态,即两信道不能被同一物联网或有重叠物联网共同使用,反之若/>表示信道i和信道j不重叠,能够被同一小区或重叠小区共同使用,当m1=m2时,信道必为重叠状态,即/>当m1≠m2时,信道间是否存在干扰由信道粒度划分情况得出;
(5)、用A={anm|anm∈{0,1}}N×M表示信道分配矩阵,表征信道的分配状态,其中n代表物联网序号,n=1,2,...,N,m代表信道序号,m=1,2,...,M,当anm=1时,表明信道m被分配给物联网n使用,否则anm=0,由此得到物联网n分配得到的信道总带宽en为:
物联网利用频谱资源提供无线业务的前提是相互不存在干扰,即相互干扰的物联网不能被分配同一或相互重叠的信道,用式(2)来表示,此外,若物联网n的信道需求为dn,则分配给该物联网的信道数应小于等于dn,用式(3)来表示,则如果一个分配矩阵A满足如下无干扰约束条件即称为可行分配矩阵;
(6)、用矩阵R={rnm|rnm∈{0,1}}N×M表示各网络使用各信道时能获得效益情况,其中n代表物联网序号,m代表信道序号,rnm表示当信道m分配给物联网n使用时,能获得的效益,效益为频谱效率或信道吞吐量参数,给定任一可行分配矩阵A,异构物联网会获得相应的网络效益,定义所有物联网使用频谱资源的总效益U(A)为:
基于以上定义,频谱资源分配问题指的是求解一个最优的可行分配矩阵A*,使物联网获得的总网络效益最大,即在式(2)和式(3)的约束下,求解频谱资源最优分配矩阵,这样频谱资源分配被建模为非线性约束0-1整数规划问题,
。
2.根据权利要求书1所述的基于粒子群算法的异构物联网频谱分配方法,其特征是:其频谱分配方法是按照如下方法得到的:
(1)、粒子编码
将粒子的位置与问题可行解建立起对应关系,即将粒子的位置与分配矩阵A进行对应,使用二进制编码方案,且仅对可用信道矩阵L中值为1的元素进行编码的方法进行编码,即仅对能被物联网用户使用的信道进行编码,个体的适应度函数定义为总系统效益U(A);
(2)、粒子位置修正
对粒子的位置进行修正,修正方法和步骤如下:
步骤1:逐一检查每个粒子位置中每一个物联网内的信道分配情况,检查是否存在同一物联网内使用了相互重叠的信道的情况,在某一个粒子位置表示的物联网n中,若则需根据信道重叠矩阵G,判断信道m1与信道m2的重叠情况,若/>表示信道m1与信道m2有重叠部分,不能被同一物联网或重叠的物联网同时使用,修正方法为随机保留信道m1与信道m2其中一个信道,其它的信道被释放,即对应的分配矩阵中相应位置置0;
步骤2:检查每个粒子位置中,相互重叠的物联网是否分配了重叠的信道,根据网络干扰矩阵C,若表示物联网n1和物联网n2覆盖范围相互重叠,则检查物联网n1和物联网n2是否使用了相同和重叠的信道,修正方法为,如物联网n1和物联网n2覆盖范围相互重叠且使用相同或重叠的信道,则随机让其中一个信道生效,其他信道全部释放,将分配矩阵A中对应位置设为0;
步骤3:逐一检查各物联网分配的信道带宽,当其分配的信道带宽大于其需求dn时,则从已分配给该物联网的信道中,从带宽最小的信道开始,逐个释放多余分配的频谱资源,直到其分配的信道总宽度小于dn;
(3)、粒子群算法求解频谱分配问题
求解频谱分配的粒子群算法,具体步骤如下:
步骤一:确定粒子编码长度:粒子编码长度根据可用信道矩阵L确定;
步骤二:初始粒子群体的产生:用随机方法产生一个粒子数为Q的粒子群;
步骤三:粒子位置修正:检测种群中粒子位置所对应频谱分配矩阵是否可行,是否满足约束条件,不满足约束条件的,将其粒子位置根据修正方法进行修正;
步骤四:适应度函数的计算:根据式(4)计算适应度函数;
步骤五:更新粒子个体的历史最优位置:根据每个粒子的当前适应度值,更新每个粒子的历史最优位置;
步骤六:更新粒子群体的历史最优位置:根据每个粒子的当前适应度值,更新粒子群体的历史最优位置;
步骤七:更新每个粒子的速度和位置:通过公式(6)来更新每个粒子的速度,通过公式(7)来更新每个粒子的位置;
Vs+1=w×Vs+c1×rand()×(pbest-Xs)+c2×rand()×(gbest-Xs) (6)
Xs+1=Xs+Vs+1 (7)
其中,s代表迭代次数,Vs代表第s次迭代的粒子速度,Vs+1即第s+1次迭代的粒子速度,w为惯性因子,c1、c2为学习因子,rand()表示产生一个0至1的随机数,pbest代表粒子个体的历史最优位置,gbest代表粒子群体的历史最优位置,Xs代表第s次迭代的粒子位置,Xs+1即第s+1次迭代的粒子位置;
步骤八:判断截止条件,若算法当前迭代次数为最大迭代次数W,或前后两次迭代的最优个体适应度差异小于等于预先设定的差异阈值Z值时,停止迭代,算法结束,输出粒子群体历史最优位置,得到最优粒子位置,反之,返回到步骤三进行下一次迭代计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110991445.0A CN113630886B (zh) | 2021-08-27 | 2021-08-27 | 异构物联网中一种基于粒子群算法的频谱分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110991445.0A CN113630886B (zh) | 2021-08-27 | 2021-08-27 | 异构物联网中一种基于粒子群算法的频谱分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113630886A CN113630886A (zh) | 2021-11-09 |
CN113630886B true CN113630886B (zh) | 2023-07-18 |
Family
ID=78388032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110991445.0A Active CN113630886B (zh) | 2021-08-27 | 2021-08-27 | 异构物联网中一种基于粒子群算法的频谱分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113630886B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114745693B (zh) * | 2022-03-03 | 2024-04-26 | 武汉大学 | 基于pso-ga混合算法的uav辅助车联网资源分配方法 |
CN115396953A (zh) * | 2022-08-02 | 2022-11-25 | 黑龙江八一农垦大学 | 移动边缘计算中一种基于改进粒子群算法的计算卸载方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106658524A (zh) * | 2016-09-28 | 2017-05-10 | 哈尔滨工程大学 | 一种认知异构网络中基于量子花授粉搜索机制的多目标频谱分配方法 |
CN108901058A (zh) * | 2018-07-06 | 2018-11-27 | 北方工业大学 | 一种物联网节点接入通道优化选择方法 |
CN109768839A (zh) * | 2018-12-31 | 2019-05-17 | 东北电力大学 | 基于改进混沌粒子群算法的认知无线电频谱分配方法 |
KR20210066682A (ko) * | 2019-11-28 | 2021-06-07 | 한국산업기술대학교산학협력단 | 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법 |
AU2021102050A4 (en) * | 2021-04-20 | 2021-07-15 | Badugu, Sobhanbabu MR | A system and the method for efficient communication between iot devices in heterogeneous iot environment using ml |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11340345B2 (en) * | 2015-07-17 | 2022-05-24 | Origin Wireless, Inc. | Method, apparatus, and system for wireless object tracking |
-
2021
- 2021-08-27 CN CN202110991445.0A patent/CN113630886B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106658524A (zh) * | 2016-09-28 | 2017-05-10 | 哈尔滨工程大学 | 一种认知异构网络中基于量子花授粉搜索机制的多目标频谱分配方法 |
CN108901058A (zh) * | 2018-07-06 | 2018-11-27 | 北方工业大学 | 一种物联网节点接入通道优化选择方法 |
CN109768839A (zh) * | 2018-12-31 | 2019-05-17 | 东北电力大学 | 基于改进混沌粒子群算法的认知无线电频谱分配方法 |
KR20210066682A (ko) * | 2019-11-28 | 2021-06-07 | 한국산업기술대학교산학협력단 | 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법 |
AU2021102050A4 (en) * | 2021-04-20 | 2021-07-15 | Badugu, Sobhanbabu MR | A system and the method for efficient communication between iot devices in heterogeneous iot environment using ml |
Non-Patent Citations (3)
Title |
---|
Systematic Approach for State-of-the-Art Architectures and System-on-Chip Selection for Heterogeneous IoT Applications;RAMESH KRISHNAMOORTHY等;《IEEE》;全文 * |
改进多目标量子粒子群算法的WSN覆盖及能耗均衡;程春;;数学的实践与认识(04);全文 * |
物联网环境下基于改进型粒子群算法的服务组合优化分析;赵瑞玉;朱艳生;;数码世界(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113630886A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113630886B (zh) | 异构物联网中一种基于粒子群算法的频谱分配方法 | |
Deng et al. | Fine-granularity based application offloading policy in cloud-enhanced small cell networks | |
CN110505644B (zh) | 用户任务卸载与资源分配联合优化方法 | |
Oladejo et al. | Latency-aware dynamic resource allocation scheme for multi-tier 5G network: A network slicing-multitenancy scenario | |
Guo et al. | Energy efficient computation offloading for multi-access MEC enabled small cell networks | |
CN106658524B (zh) | 一种认知异构网络中基于量子花授粉搜索机制的多目标频谱分配方法 | |
Lin et al. | Joint offloading decision and resource allocation for multiuser NOMA-MEC systems | |
Pang et al. | Joint wireless source management and task offloading in ultra-dense network | |
Ye et al. | Genetic algorithm based spectrum assignment model in cognitive radio networks | |
Liu et al. | Spectrum allocation optimization for cognitive radio networks using binary firefly algorithm | |
Ye et al. | Genetic spectrum assignment model with constraints in cognitive radio networks | |
CN110602718A (zh) | 基于交替方向乘子法的异构蜂窝网络功率分配方法及系统 | |
Wen et al. | Genetic algorithm based spectrum allocation for cognitive radio networks | |
Rostami et al. | Aggregation-based spectrum assignment in cognitive radio networks | |
Zhang et al. | From dynamic spectrum management to smart spectrum management | |
Wang et al. | Primary user activity based channel allocation in cognitive radio networks | |
Singh et al. | A model for cognitive channel allocation using GA | |
Elhachmi et al. | An artificial intelligence approach for cognitive spectrum management | |
CN113543145A (zh) | Noma系统用户配对和功率分配联合优化方法及装置 | |
CN107454602B (zh) | 异构认知无线网络中基于业务类型的信道分配方法 | |
CN107466042B (zh) | 一种信道持续时间的认知无线电网络频谱分配方法 | |
Razavi et al. | Optimization of a QoS-aware channel assignment for cognitive radio networks | |
Wang et al. | Spectrum aggregation and allocation based on shuffled frog leaping algorithm for cognitive radio networks | |
Jia et al. | A spectrum allocation algorithm to maximize the system access amount in cognitive radio system | |
Sivakumar et al. | Heuristic Bent Key Exchange Secured Energy Efficient Data Transaction for Traffic Offloading in Mobile Cloud |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |